使用CT衍生的细胞外体积分数预测良性和恶性小脏质量:可解释的机器学习模型
Yunyu Guo1, Qiaofang Fang1, Youling Li1
1Department of Radiology, The Second Affiliated Hospital and Yuying Children's Hospital of Wenzhou Medical University, Wenzhou, Zhejiang Province, China (Y.G., Q.F., Y.L., D.Y., L.C., G.B.); Key Laboratory of Structural Malformations in Children of Zhejiang Province, Wenzhou, Zhejiang Province, China (Y.G., Q.F., Y.L., D.Y., L.C., G.B.).
Academic radiology
|August 10, 2025
概括
使用细胞外体积 (ECV) 和CT扫描数据的机器学习模型准确地区分恶性和良性小质 (SRM). 这种人工智能工具有助于针对癌的个性化治疗决策.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 小型质 (SRMs) 需要准确的特征来进行适当的管理.
- 在手术前区分恶性和良性SRMs具有临床意义.
- 当前的成像方法可能在区分SRM亚型方面存在局限性.
研究的目的:
- 开发和验证用于区分恶性和良性SRM的机器学习模型.
- 将形态特征,增强动态和细胞外体积 (ECV) 分数整合到诊断模型中.
- 支持SRMs患者个性化管理策略.
主要方法:
- 对230名接受了手术前对比度增强CT成像的患者进行了回顾性分析.
- 包括11个多相CT参数,包括ECV分数,临床和实验室数据.
- 应用特征选择技术和机器学习分类器,使用SHapley添加式解释 (SHAP) 进行模型解释.
主要成果:
- 结合ECV的极端梯度增强模型在区分恶性 (n=183) 和良性 (n=47) SRMs方面表现出很高的性能.
- 曲线下的面积值达到0.993 (训练),0.986 (验证) 和0.951 (外部测试).
- 在SHAP分析中,ECV分数被认为是SRM表征的最重要因素.
结论:
- 多相对比增强CT衍生ECV分数,结合常规CT参数,显示出显著的诊断疗效.
- 开发的机器学习模型有效地区分恶性和良性SRM.
- 这种方法有望改善SRM的个性化管理.
